---
title: "Эмбеддинги по API за рубли"
description: "Эмбеддинги текста по API: векторы для поиска по смыслу и RAG, до 96 строк за запрос, input_type для документов и вопросов, цена в рублях."
url: https://veselo.ai/docs/embeddings
updated: 2026-11-17T01:27:17.429Z
---

# Эмбеддинги по API за рубли

Эмбеддинги текста по API: векторы для поиска по смыслу и RAG, до 96 строк за запрос, input_type для документов и вопросов, цена в рублях.

Обновлено: 17 ноября 2026 г.

Эмбеддинг — вектор из чисел, который передаёт смысл текста: у похожих по смыслу текстов векторы близки. На них строят поиск по смыслу, ответы по своей базе знаний (RAG), рекомендации и группировку текстов. Отправь строки в `POST https://veselo.ai/v1/embeddings` — формат как у `embeddings.create` в OpenAI.

## Модели и цены

**Эмбеддинги и цена за 1 млн токенов — в рублях**

| id | Модель | Цена |
| --- | --- | --- |
| `cohere/embed-v4.0` | [Cohere Embed v4](https://veselo.ai/models/cohere/embed-v4.0) | 12,71 ₽ за 1 млн токенов |
| `cohere/embed-multilingual-v3.0` | [Cohere Embed Multilingual v3](https://veselo.ai/models/cohere/embed-multilingual-v3.0) | 10,60 ₽ за 1 млн токенов |
| `cohere/embed-english-v3.0` | [Cohere Embed English v3](https://veselo.ai/models/cohere/embed-english-v3.0) | 10,60 ₽ за 1 млн токенов |

В `GET /v1/models` — записи с `type: "embedding"`. Цена — за 1 млн токенов всех строк запроса, `pricing_rub.input_per_1m`. В поле `embedding`: длина вектора (`dimensions`), сколько строк за запрос (`max_inputs`), сколько токенов в строке (`context_length`) и какие бывают `input_types`.

## Получить векторы

**curl**

```
curl https://veselo.ai/v1/embeddings \
  -H "Authorization: Bearer $VESELO_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "cohere/embed-v4.0",
    "input": ["Кошки спят до 16 часов в сутки.", "Эльбрус — самая высокая гора России."],
    "input_type": "search_document"
  }'
```

**Python**

```
import os
from openai import OpenAI  # pip install openai

client = OpenAI(base_url="https://veselo.ai/v1", api_key=os.environ["VESELO_API_KEY"])
r = client.embeddings.create(
    model="cohere/embed-v4.0",
    input=["Кошки спят до 16 часов в сутки.", "Эльбрус — самая высокая гора России."],
    extra_body={"input_type": "search_document"},
)
print(len(r.data), "вектора по", len(r.data[0].embedding), "чисел")
print("Цена:", r.model_dump()["usage"]["cost_rub"], "₽")
```

**JavaScript**

```
import OpenAI from 'openai'; // npm i openai

const client = new OpenAI({ baseURL: 'https://veselo.ai/v1', apiKey: process.env.VESELO_API_KEY });
const r = await client.embeddings.create({
  model: 'cohere/embed-v4.0',
  input: ['Кошки спят до 16 часов в сутки.', 'Эльбрус — самая высокая гора России.'],
  input_type: 'search_document',
});
console.log(r.data.length, r.data[0].embedding.length, r.usage.cost_rub, '₽');
```

**Ответ**

```
{
  "object": "list",
  "data": [
    { "object": "embedding", "index": 0, "embedding": [0.0123, -0.0456, …] },
    { "object": "embedding", "index": 1, "embedding": [-0.0789, 0.0012, …] }
  ],
  "model": "cohere/embed-v4.0",
  "usage": { "prompt_tokens": 22, "total_tokens": 22, "cost_rub": 0.01 }
}
```

Векторы — в `data[].embedding`, по порядку строк запроса (`index`). Цена — в `usage.cost_rub` и заголовке `x-veselo-cost-rub`. SDK OpenAI сам просит векторы в base64 и раскодирует их — так быстрее; результат тот же.

## Поля запроса

| Поле | Что передать |
| --- | --- |
| `model` | обязательно: id модели с `type: "embedding"` |
| `input` | обязательно: строка или массив строк — от 1 до 96 за запрос, каждая непустая. Токены числами не принимаются |
| `input_type` | для чего текст: `search_document` (по умолчанию) — тексты базы, `search_query` — вопросы к ней, `classification`, `clustering`. В SDK OpenAI для Python — через `extra_body` |
| `encoding_format` | `float` (по умолчанию) — массив чисел или `base64` — те же числа float32 одной строкой, как у OpenAI |
| `dimensions` | длина вектора у модели не меняется: можно передать только `embedding.dimensions`, другое число — 400 |
| `user` | принимается и никуда не уходит |

Другие поля — 400 с именем поля в `param`.

## Поиск по смыслу

Тексты базы получают векторы с `input_type: "search_document"` — один раз, храни их у себя. Вопрос — с `search_query`. Ближайший по смыслу текст — тот, у чьего вектора больше косинусная близость с вектором вопроса.

**Python**

```
import math
import os
from openai import OpenAI

client = OpenAI(base_url="https://veselo.ai/v1", api_key=os.environ["VESELO_API_KEY"])
docs = ["Кошки спят до 16 часов в сутки.", "Эльбрус — самая высокая гора России.", "Чайник от накипи чистят лимонной кислотой."]

def embed(texts, kind):
    r = client.embeddings.create(model="cohere/embed-v4.0", input=texts, extra_body={"input_type": kind})
    return [d.embedding for d in r.data]

def cos(a, b):
    return sum(x * y for x, y in zip(a, b)) / (math.sqrt(sum(x * x for x in a)) * math.sqrt(sum(y * y for y in b)))

base = embed(docs, "search_document")  # векторы базы — один раз, храни их у себя
q = embed(["Сколько спят коты?"], "search_query")[0]
print(max(zip(docs, base), key=lambda d: cos(q, d[1]))[0])
```

Нашёл кандидатов — расставь их по смыслу вопроса [переранжированием](https://veselo.ai/docs/rerank): это точнее, чем одно сравнение векторов.

## Деньги и лимиты

- Удерживается оценка — примерно токен на каждые 2 знака строк. Списывается — по `usage.prompt_tokens` из ответа, а если модель не назвала число — по оценке. Ошибка — 0 ₽.
- До 96 строк за запрос, тело — до 25 МБ, ответ модели — до 2 минут. Общие лимиты ключа — 60 запросов в минуту и 10 одновременных.
- Ошибки: 400 — поле не прошло проверку (`param`), 402 — не хватает на удержание, 404 — нет модели, 413 — тело больше 25 МБ, 429 — подожди `Retry-After`, 502, 503 (с `alternatives`) и 504 — повтори позже или возьми другую модель.

[← Распознавание речи](https://veselo.ai/docs/transcriptions) · [Переранжирование →](https://veselo.ai/docs/rerank)

[Вся документация одним текстом](https://veselo.ai/docs/llms.txt) · [Все модели и цены](https://veselo.ai/models)

## Разделы документации

### Начало

- [Быстрый старт](https://veselo.ai/docs)
- [Ключи](https://veselo.ai/docs/auth)
- [Цены и списания](https://veselo.ai/docs/pricing)
- [Команды](https://veselo.ai/docs/teams)
- [Оплата для компаний](https://veselo.ai/docs/business)
- [Модели](https://veselo.ai/docs/models)

### Как сделать

- [Сообщения и параметры](https://veselo.ai/docs/chat)
- [Стриминг](https://veselo.ai/docs/streaming)
- [Вызов функций](https://veselo.ai/docs/tools)
- [Ответ в JSON](https://veselo.ai/docs/structured-output)
- [Провайдеры](https://veselo.ai/docs/providers)
- [Без цензуры](https://veselo.ai/docs/uncensored)
- [Картинки во входе](https://veselo.ai/docs/vision)
- [Картинки](https://veselo.ai/docs/images)
- [Видео](https://veselo.ai/docs/video)
- [Озвучка](https://veselo.ai/docs/speech)
- [Голоса](https://veselo.ai/docs/voices)
- [Музыка](https://veselo.ai/docs/music)
- [Распознавание речи](https://veselo.ai/docs/transcriptions)
- **Эмбеддинги**
- [Переранжирование](https://veselo.ai/docs/rerank)
- [SDK и программы](https://veselo.ai/docs/sdks)
- [Claude Code](https://veselo.ai/docs/anthropic)
- [Ключ для нейросети](https://veselo.ai/docs/agents)
- [MCP](https://veselo.ai/docs/mcp)

### Справочник

- [Методы API](https://veselo.ai/docs/reference)
- [Ошибки](https://veselo.ai/docs/errors)
- [Лимиты](https://veselo.ai/docs/limits)
- [Заголовки](https://veselo.ai/docs/headers)

### Ещё

- [Вопросы](https://veselo.ai/docs/faq)
- [Данные и приватность](https://veselo.ai/docs/privacy)
- [Изменения](https://veselo.ai/docs/changelog)
